Python----计算机视觉处理（Opencv：绘制图像轮廓：寻找轮廓，findContours()函数)

一、轮廓

轮廓是图像中目标物体或区域的外部边界线或边界区域，由一系列相连的像素构成封闭形状，代表了物体的基本外形。与边缘不同，轮廓是连续的，而边缘则不一定是连续的。

轮廓与边缘的区别：

轮廓是一组连续的点或线，而边缘不连续。并且边缘更多的是作为图像的特征使用，比如可以用边缘特征来区分脸和手，而轮廓主要用来分析物体的形态，比如物体的周长、面积等。

轮廓的作用：

1. 形状分析：通过轮廓，可以分析物体的形状，比如是圆形、矩形还是更复杂的形状。

2. 目标识别：在识别特定物体时，轮廓可以作为物体的一个重要特征。

3. 图像分割：利用轮廓，可以将图像分割成多个区域，每个区域代表一个物体或者物体的一个部分。

二、寻找轮廓

2.1、 RETR_LIST

表示列出所有的轮廓。并且在hierarchy里的轮廓关系中，每一个轮廓只有前一条轮廓与后一条轮廓的索引，而没有父轮廓与子轮廓的索引。

2.2、 RETR_EXTERNAL

表示只列出最外层的轮廓。并且在hierarchy里的轮廓关系中，每一个轮廓只有前一条轮廓与后一条轮廓的索引，而没有父轮廓与子轮廓的索引。

2.3、 RETR_CCOMP

表示列出所有的轮廓。并且在hierarchy里的轮廓关系中，轮廓会按照成对的方式显示。

2.4、 RETR_TREE

表示列出所有的轮廓。并且在hierarchy里的轮廓关系中，轮廓会按照树的方式显示，其中最外层的轮廓作为树根，其子轮廓是一个个的树枝。

除此之外还有method参数，该参数有三个选项：

CHAIN_APPROX_NONE、

CHAIN_APPROX_SIMPLE、

CHAIN_APPROX_TC89_L1。

其中，CHAIN_APPROX_NONE表示将所有的轮廓点都进行存储；CHAIN_APPROX_SIMPLE表示只存储有用的点，比如直线只存储起点和终点，四边形只存储四个顶点，默认使用这个方法； CHAIN_APPROX_TC89_L1表示使用Teh-Chin链逼近算法进行轮廓逼近。这种方法使用的是Teh-Chin链码，它是一种边缘检测算法，可以对轮廓进行逼近，减少轮廓中的冗余点，从而更加准确地表示轮廓的形状。CHAIN_APPROX_TC89_L1是一种较为精确的轮廓逼近方法，适用于需要较高精度的轮廓表示的情况。

对于mode和method这两个参数来说，一般使用RETR_EXTERNAL和CHAIN_APPROX_SIMPLE这两个选项。

三、findContours()函数

该函数所依据的算法论文名称是：

Topological structural analysis of digitized binary images by border following.

作者是：Satoshi Suzuki

在介绍该算法的实现步骤之前，需要先介绍一些该论文中所用到的符号：

frame：框架，一张图片的最上行、最下行、最左列、最右列。

0-pixel：灰度值为0的像素。(背景)

1-pixel：灰度值为1的像素。默认图像是以0-pixel填充，目标图像为1-pixel。(目标物体)

(i, j)：表示图像中第i行，第j列的像素点。

$f_{i,j}$ 表示像素点(i, j)的灰度值。那么一张图片就可以表示为 $F={f_{i,j}}$ 。

由1像素组成的连通域称为1-component(1连通域)，由0像素组成的连通域称为0-component(0连通域)。如果0连通域S包含了frame，那么称S为background(背景)，否则称为孔洞。

borderpoint(边界点)：如果一个1像素周围的8连通区域内有0像素存在，那么这个1像素就是一个边界点。边界是由许多的边界点共同组成的。

环绕连通域：在一个二值图中有两个连通域S1和S2，如果S1中任何一个像素点从任何一个方向(4方向)到达frame的路径上都存在S2的像素点，那么就称为S2环绕S1，如果S1环绕S1且S2和S1之间存在边界点，就称为S2直接环绕S1。

外边界和孔边界：假设现有1连通域S1，0连通域S2，如果S2直接环绕S1，则S2和S1之间的边界称为外边界；如果S1直接环绕S2，则S2和S1之间的边缘称为孔边界。

父边界：假设现有1连通域S1和S3,0连通域S2，S2直接环绕S1，S3直接环绕S2，S1与S2之间的边界为B1，S2与S3之间的边界为B2，则B2为B1的父边界。如果S2是background，那么B1的父边界是frame。

光栅扫描(RasterScan)：是指从左往右，由上往下，先扫描完一行，再移至下一行起始位置继续扫描。

NBD：从边界开始点以边界跟踪算法可以得到一条边界，为每条新找到的边界B赋予一个新的唯一的编号，NBD表示当前跟踪的边界的编号。

LNBD：在光栅扫描的过程中，我们也保存最近遇到（上一个）的边界B'的编号，记为LNBD。

经过上面的定义后，对于一个二值化图像来说，可以表示为：

四、绘制图像轮廓

导入模块

python">import cv2

输入图像

python">img = cv2.imread('img.png')

灰度化

python">img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值化

python">ret, img_threshold = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)

寻找轮廓

python">contours, hierarch = cv2.findContours(img_threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

绘制轮廓

python">img_contours = cv2.drawContours(img, contours, -1, (0, 0, 255), thickness=2)

输出图像

python">cv2.imshow('img', img)
cv2.waitKey(0)

完整代码

python">import cv2  img = cv2.imread('img.png')  # 将图像从 BGR（蓝绿红）色彩空间转换为灰度。  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 使用 Otsu 的二值化方法对灰度图像进行二值化处理。  
# ret 返回使用的阈值。  
# img_threshold 是二值化后的图像。  
ret, img_threshold = cv2.threshold(img_gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)  # 在二值化图像中寻找轮廓。  
# contours 是一个轮廓列表。  
# hierarch 是轮廓的层级结构。  
contours, hierarch = cv2.findContours(img_threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # 在原始图像上绘制轮廓。  
# img 是要绘制轮廓的图像。  
# contours 是要绘制的轮廓列表。  
# -1 表示绘制所有轮廓。  
# (0, 0, 255) 是轮廓的颜色（红色）。  
# thickness=2 是轮廓的粗细。  
img_contours = cv2.drawContours(img, contours, -1, (0, 0, 255), thickness=2)  # 显示带有轮廓的图像。  
cv2.imshow('img', img)  # 等待用户按下按键。  
cv2.waitKey(0)

五、库函数

5.1、findContours()

python">cv.findContours(	image, mode, method[, contours[, hierarchy[, offset]]]	) ->	contours, hierarchy

方法	描述
image	源，一个 8 位单通道图像。非零像素被视为 1。零像素仍为 0，因此图像被视为 binary 。您可以使用 compare、inRange、threshold、adaptiveThreshold、Canny 等创建灰度或彩色图像的二进制图像。如果 mode 等于 RETR_CCOMP 或 RETR_FLOODFILL，则输入也可以是标签的 32 位整数图像（CV_32SC1）。
contours	检测到的轮廓。每个轮廓都存储为点向量（例如 std：：vector<std：：vector<cv：:P oint> >）。
hierarchy	可选的输出向量（例如 std：：vector<cv：：Vec4i>），包含有关图像拓扑的信息。它的单元数与等值线的数量一样多。对于每个第 i 个轮廓轮廓[i]，元素 hierarchy[i][0] 、hierarchy[i][1] 、hierarchy[i][2] 和 hierarchy[i][3] 在同一层次结构级别的下一个和上一个轮廓的轮廓中分别设置为从 0 开始的索引，即第一个子轮廓和父轮廓。如果轮廓 i 没有 next、previous 、parent 或 nested 等值线，则 hierarchy[i] 的相应元素将为负数。
mode	等值线检索模式，参见 RetrievalModes
method	等值线近似方法，请参阅 ContourApproximationModes
offset	每个等值线点移动的可选偏移量。如果轮廓是从图像 ROI 中提取的，然后应该在整个图像上下文中对其进行分析，这将非常有用。

RETR_EXTERNAL Python：cv.RETR_EXTERNAL	仅检索极端外轮廓。它为所有轮廓设置。`hierarchy[i][2]=hierarchy[i][3]=-1`
RETR_LIST Python：cv.RETR_LIST	检索所有等值线，而不建立任何分层关系。
RETR_CCOMP Python：cv.RETR_CCOMP	检索所有等值线并将它们组织到一个两级层次结构中。在顶层，有组件的外部边界。在第二层，有孔的边界。如果已连接零部件的孔内有其他轮廓，则仍将其置于顶层。
RETR_TREE Python：cv.RETR_TREE	检索所有等值线并重新构建嵌套等值线的完整层次结构。
RETR_FLOODFILL Python：cv.RETR_FLOODFILL

CHAIN_APPROX_NONE Python：cv.CHAIN_APPROX_NONE	绝对存储所有等高线点。也就是说，等值线的任意 2 个后续点（x1，y1）和（x2，y2）将是水平、垂直或对角线相邻点，即 max（abs（x1-x2），abs（y2-y1））==1。
CHAIN_APPROX_SIMPLE Python：cv.CHAIN_APPROX_SIMPLE	压缩水平、垂直和对角线段，仅保留其端点。例如，一个直立的矩形轮廓用 4 个点编码。
CHAIN_APPROX_TC89_L1 Python：cv.CHAIN_APPROX_TC89_L1	应用了 Teh-Chin 链近似算法的一种风格 [266]
CHAIN_APPROX_TC89_KCOS Python：cv.CHAIN_APPROX_TC89_KCOS	应用了 Teh-Chin 链近似算法的一种风格 opencv.org/4.11.0/d0/de3/citelist.html#CITEREF_tehchin89" rel="nofollow" title="[266]">[266]

5.2、drawContours()

python">cv.drawContours(	image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]]	) ->	image

方法	描述
image	目标图像。
contours	所有输入等值线。每个等值线都存储为点向量。
contourIdx	指示要绘制的轮廓的参数。如果为负数，则绘制所有等值线。
color	等值线的颜色。
thickness	绘制等高线时使用的线条粗细。如果为负数（例如， thickness=FILLED ），则绘制等值线内部
lineType	线路连接。请参阅线型
hierarchy	有关层次结构的可选信息。仅当您只想绘制部分等值线时才需要它（请参阅 maxLevel ）。
maxLevel	绘制轮廓的最大级别。如果为 0，则仅绘制指定的轮廓。如果为 1，则函数绘制 contour 和所有嵌套 contour。如果为 2，则函数绘制等值线、所有嵌套等值线、所有嵌套到嵌套的等值线，依此类推。仅当有可用的层次结构时，才会考虑此参数。
offset	可选的轮廓偏移参数。将所有绘制的轮廓移动指定

注意

当 thickness=FILLED 时，该函数旨在正确处理具有孔的连通零部件，即使未提供层次结构数据也是如此。这是通过使用奇偶规则一起分析所有轮廓来完成的。如果您有单独检索的轮廓的联合集合，这可能会产生不正确的结果。为了解决这个问题，你需要为每个 contour 的子组单独调用 drawContours，或者使用 contourIdx 参数迭代集合。